基于矩阵模式的林火图像半监督学习算法

森林火灾图像识别是森林防火监测系统的核心。目前的主要研究多在图像的向量 模式表示上展开。由于向量模式的样本数由图像分辨率决定,易导致模型训练的负担过重。样 本类别标记的准确性,直接影响后续的模型训练和目标识别。而目前的类别标定工作多采用手 工或图像预处理方法完成,任务繁琐且容易出错。此外,由于像素位置在图像向量化过程中被 调整,不可避免地会损失图像原有的结构信息。鉴于此,提出了基于矩阵分块的半监督学习算 法 Semi-MHKS,优势在于：①矩阵分块形式的样本数远低于向量模式,可有效缩短训练和识别 时间;②只需标记分块类别,更有利于准确标定样本类别;③采用双线性判别函数,设计了针 对林火问题的半监督学习算法;④证明了算法的收敛性。与支持向量机(SVM)、MHKS 和半监 督的 LapMatLSSVM 方法相比,在林火图像和视频上的实验验证了 Semi-MHKS 的具有较高的 识别率和较低的训练时间。     

基于特征加权聚合的图像检索目标对抗攻击方法

基于深度学习的图像检索技术使得图像隐私泄露成为一个亟待解决的问题.利用对抗攻击生成的对抗样本,可在一定程度上实现隐私保护.但现有针对图像检索系统的目标对抗攻击方法易受选取目标样本质量和数量的影响,导致其攻击效果不佳.针对该问题,提出了一种基于特征加权聚合的图像检索目标对抗攻击方法,该方法将目标图像的检索准确率作为衡量样本质量的权重,利用目标类中少量样本的特征进行加权聚合获取类特征作为最终攻击目标.在RParis和ROxford两个数据集上的实验结果表明,该方法生成的对抗样本相比TMA方法,检索精度平均提升38％,相比DHTA方法,检索精度平均提升7.5％.     

基于Generalized Region Loss的代价函数及在图像分割中的应用

针对图像分割中的困难样本,提出了一种对像素区域细分计算的Generalized Region Loss的新的代价函数;首先通过引入一项参数,改变了以往代价函数主要通过设置权重或Focal等关注困难样本的方法,其次通过对标签图像和预测图像进行区域划分,并且对划分四区域的困难样本分类关注,最后分别计算其四区域绝对损失,进而进行加权组合;为验证算法性能,使用CamVid数据集作为实验数据,该代价函数在FCN和U-Net两种图像分割网络上得到验证,同当前图像分割领域常用的12种代价函相比,IoU指标分别提高1.93%和2.99%,由此证明此代价函数优于大多数图像分割代价函数;最终实验结果表明,提出的基于像素区域细分计算的代价函数能够有效提高图像分割精度,为图像分割的研究提供借鉴。     

一种基于SVM和主动学习的图像检索方法

为了提高图像检索的速度和准确性,提出了一种基于SVM和主动学习的图像检索方法,该方法分为两个阶段,第一阶段用K-means聚类算法在图像数据库中找出代表性样本,有效的缩小了目标图像的查找范围。第二阶段通过对未标注样本与分类边界之间的距离以及其近邻密度进行综合评价,选出最有价值的关键性样本作为训练样本,使得分类器可以通过较少的反馈次数快速达到较高的准确性。实验表明,本文算法可以有效提高图像的检索性能。     

半监督FSVM在羽绒菱节识别中的应用

目前,我国对羽绒种类的识别主要由人工借助于显微镜完成,这种方法存在许多不足。提出将半监督FSVM算法引入到羽绒识别中,用半监督学习方法以少量的训练样本为基础,扩大训练样本集的规模,同时利用FSVM的特性减少半监督学习所带来的误差;利用半监督FSVM对经过处理的羽绒二值化图像中的菱节进行识别。该方法提高了菱节识别的准确率。     

一种基于MOD 字典学习的图像超分辨率重建新算法

将低分辨率图像重建成高分辨率图像是图像处理领域中的一个重要课题。Yang 提出 一种基于联合字典学习的图像超分辨率重建算法,其算法样本选取与字典训练方法较为复杂。提 出一种基于MOD 字典学习的图像超分辨率重建新算法,首先采用少量的训练样本代替Yang 的大量训 练样本,然后使用MOD 字典学习算法代替Yang 的FFS 字典学习算法,最后利用字典对图像进 行稀疏表示与重建。实验结果表明,所提出的算法速度较快,并且重建图像的质量较高。     

Parallel adaptive sampling and reconstruction using multi-scale and directional analysis

We propose a novel parallel image space adaptive rendering approach. Contourlet transform which includes Laplacian pyramid and directional filter banks is modified for multi-scale and directional analysis in our algorithm. In sampling stage, the image space is coarsely sampled first. The sampled image is analyzed into coarse and difference values in multi-scale using Laplacian pyramid transform. Based on the analysis, a heuristic method is proposed to repeatedly distribute adaptive Monte Carlo samples. In reconstruction stage, the final image is reconstructed by filtering each pixel using our anisotropic per-pixel filter. The filter size depends on the variance and attenuation values. The filter’s anisotropic property is computed by the directional filter banks. Compared to the state-of-the-art image space adaptive rendering methods, the results rendered by our algorithm show improvement in both visual image quality and numerical error while using sparse samples.     

基于NS-StyleGAN2的鱼类图像扩充方法

图像多分类领域中经常出现类别不平衡问题,这会对分类模型的学习训练产生负面影响。通过对样本数量较少的类别进行扩充可以有效解决类别不平衡问题。生成对抗网络作为近年来新兴的一种神经网络,输入真实图像样本训练可以输出与真实样本非常相似的生成样本。根据此特性,本文结合第二代样式生成对抗网络（StyleGAN2）的设计思想与鱼类图像的特点,设计一种噪声抑制样式生成对抗网络NS-StyleGAN2 （Noise-Suppressed Style Generative Adversarial Networks 2）。NS-StyleGN2去除了StyleGAN2合成网络中低分辨率层的噪声输入,从而抑制低分辨率层的噪声权重,使StyleGAN2生成样本细节特征更逼近真实样本特征。采用202张鲢鱼图像进行训练,本文提出的方法在起始分数、弗雷歇起始距离、内核起始距离得分等方面均优于DCGAN、WGAN、StyleGAN2,表明该方法可以有效进行图像扩充。     

基于图像重构的MNIST对抗样本防御算法

随着深度学习的应用普及,其安全问题越来越受重视,对抗样本是在原有图像中添加较小的扰动,即可造成深度学习模型对图像进行错误分类,这严重影响深度学习技术的发展.针对该问题,分析现有对抗样本的攻击形式和危害,由于现有防御算法存在缺点,提出一种基于图像重构的对抗样本防御方法,以达到有效防御对抗样本的目的 .该防御方法以MNIS...